博业体育年终重磅盘点2022 计算机科学领域发生了哪些大事？在今年，计算机科学家学会了完美传输秘密，Transformer的进步神速，在AI的帮助下，数十年历史的算法被大大改进……

　　密码学的背后，往往是复杂的数学问题。曾经有一种非常有前途的新密码方案，被认为足以抵御来自量子计算机的攻击，然而，这个方案被「两条椭圆曲线的乘积及其与阿贝尔曲面的关系」这个数学问题推翻了。

　　另外，人工智能一直与生物学相得益彰——事实上，生物学领域就是从人脑中汲取灵感，人脑也许是最终极的计算机博业体育。

　　长久以来，计算机科学家和神经科学家都希望了解大脑的工作原理，创造出类脑的人工智能，但这些似乎一直是白日梦。

　　但不可思议的是，Transformer神经网络似乎可以像大脑一样处理信息。每当我们多了解一些Transformer的工作原理，就更了解大脑一些，反之亦然。

　　甚至，AI还可以帮我们创造更好的AI，新的超网络（hypernetworks）可以帮助研究人员以更低的成本、用更快的速度训练神经网络，还能帮到其他领域的科学家。

　　量子纠缠是一种将遥远的粒子紧密联系起来的特性，可以肯定的是，一个完全纠缠的系统是无法被完全描述的。

　　不过物理学家认为，那些接近完全纠缠的系统会更容易描述。但计算机科学家则认为，这些系统同样不可能被计算出来，而这就是量子PCP（概率可检测证明，Probabilistically Checkable Proof）猜想。

　　为了帮助证明量子PCP理论，科学家们提出了一个更简单的假设，被称为「非低能平凡态」（NLTS）猜想。

　　今年6月，来自哈佛大学、伦敦大学学院和加州大学伯克利分校对三位计算机科学家，在一篇论文中首次实现了NLTS猜想的证明。

　　这意味着存在可在更高的温度下保持纠缠态的量子系统，同时也表明，即使远离低温等极端情况，纠缠粒子系统仍然难以分析，难以计算基态能量。

　　物理学家们很惊讶，因为这意味着纠缠不一定像他们想象的那样脆弱，而计算机科学家们很高兴离证明一个被称为量子PCP（概率可检测证明）定理的证明又近了一步。

　　人们开发Transformer，是为了理解和生成语言。它可以实时处理输入数据中的每一个元素，让它们具有「大局观」。

　　与其他采取零散方法的语言网络相比，这种「大局观」让Transformer的速度和准确性大大提高。

　　这也使得它具有不可思议的通用性，其他的AI的研究人员，也把Transformer应用于自己的领域。

　　Transformers迅速成为专注于分析和预测文本的单词识别等应用程序的领跑者。它引发了一波工具浪潮，例如 OpenAI的GPT-3，它训练数千亿个单词并生成一致的新文本，达到令人不安的程度。

　　不过，跟非Transformer模型相比，这些好处是以Transformer更多的训练量为代价的。

　　这些人脸是由基于Transformer的网络，在对超过20万张名人面孔的数据集进行训练后创建的

　　在今年3月，研究Transformer工作原理的研究人员发现，它之所以如此强大，部分原因是它将更大的意义附加到词语上的能力，而不是简单的记忆模式。

　　事实上，Transformer的适应性如此之强，神经科学家已经开始用基于Transformer的网络对人脑功能进行建模。

　　量子计算的出现，让很多原本需要消耗超大计算量的问题都得到了解决，而经典加密算法的安全性也因此受到了威胁。于是，学界便提出了后量子密码的概念，来抵抗量子计算机的破解。

　　然而就在今年7月，两位来自比利时鲁汶大学的研究人员发现，这个算法可以在短短1个小时内，用一台10年「高龄」的台式计算机被成功破解。

　　值得注意的是，研究人员从纯数学的角度来解决这个问题，攻击算法设计的核心，而不是任何潜在的代码漏洞。

　　对此，研究人员表示博业体育，只有当你能证明「单向函数」的存在时，才有可能创建一个可证明的安全代码，也就是一个永远不可能失败的代码。

　　虽然现在仍然不知道它们是否存在，但研究人员认为，这个问题等同于另一个叫做Kolmogorov复杂性的问题。只有当某一版本的Kolmogorov复杂性难以计算时博业体育，单向函数和真正的密码学才有可能。

　　它的速度很快，能够分析任何指定的网络，并迅速提供一组参数值，这些参数值和以传统方式训练的网络中的参数，一样有效。

　　尽管GHN-2提供的参数可能不是最佳的，但它仍然提供了一个更理想的起点，减少了全面训练所需的时间和数据。

　　无论是探索模拟世界的代理，还是真实世界中的机器人，这些系统拥有从根本上不同的学习方式，而且在许多情况下，这些方式比使用传统方法训练的系统更好。

　　提高基础计算算法的效率一直都是学界热点，因为它会影响大量计算的整体速度，从而对智能计算领域产生多米诺骨牌式的效应。

　　今年10月，DeepMind团队在发表于Nature上的论文中，提出了第一个用于为矩阵乘法等基本计算任务发现新颖、高效、正确算法的AI系统——AlphaTensor。

　　矩阵乘法，作为矩阵变换的基础运算之一，是是许多计算任务的核心组成部分。其中涵盖了计算机图形、数字通信、神经网络训练和科学计算等等，而AlphaTensor发现的算法可以使这些领域的计算效率大大提升。

　　今年3月，由六位计算机科学家组成的团队提出了一种「快得离谱」的算法，让计算机最古老的「最大流问题」获得了突破性的进展。

　　新算法可在「几乎线性」的时间内解决这个问题，也就是说，其运行时间基本与记录网络细节所需的时间正比。

　　最大流问题是一种组合最优化问题，讨论的是如何充分利用装置的能力使得运输的流量最大，进而取得最好的效果。

　　在日常生活中，它在很多方面都有应用，如互联网数据流、航空公司调度，甚至包含将求职者与空缺职位进行匹配等等。

　　作为论文的作者之一，来自耶鲁大学的Daniel Spielman表示，「我原本坚信，这个问题不可能存在如此高效的算法。」

　　普林斯顿大学的理论计算机科学家Mark Braverman，花了一生中超过四分之一的时间，来研究交互式通信的新理论。

　　他的工作使研究人员能够对「信息」和「知识」等术语进行量化，这不仅使人们在理论上对互动有了更多的了解，而且还创造了新的技术，使交流更加高效和准确。

　　由于他的这一成就，以及其他成果，国际数盟今年7月授予Braverman IMU Abacus奖章，这是理论计算机科学领域的最高荣誉之一。

　　IMU的颁奖词指出，Braverman对信息复杂性的贡献，使人们更深入地了解了当两方相互沟通时，信息成本的不同衡量标准。

　　他的工作为不易受传输错误影响的新编码策略，以及在传输和操作过程中压缩数据的新方法，铺平了道路。

　　信息复杂性问题，来自于Claude Shannon的开拓性工作——在1948年，他为一个人通过通道向另一个人发送消息，制定了数学框架。

　　而Braverman最大的贡献在于，建立了一个广泛的框架，该框架阐明了描述交互式通信边界的通用规则——这些规则提出了在通过算法在线发送数据时，压缩和保护数据的新策略。

　　「交互式压缩」问题可以这么理解：如果两个人交换一百万条短信，但只学习1,000位信息，交换是否可以压缩为1,000位守恒？

　　而Braverman不仅破解了这些问题，他还引入了一种新的视角，使研究人员能够首先阐明它们，然后将它们翻译成数学的正式语言。